Effettuare previsioni con i modelli scikit-learn in formato ONNX
Panoramica
Open Neural Network Exchange (ONNX) offre un'architettura uniforme progettato per rappresentare qualsiasi framework di machine learning. Il supporto di BigQuery ML per ONNX ti consente di:
- Addestra un modello utilizzando il tuo framework preferito.
- Converti il modello nel formato del modello ONNX. Per ulteriori informazioni, vedi Conversione in formato ONNX.
- Importa il modello ONNX in BigQuery ed effettua previsioni utilizzando in BigQuery ML.
Questo tutorial mostra come importare modelli ONNX addestrati con scikit-learn in un set di dati di BigQuery e utilizzarli per creare le previsioni da una query SQL. Puoi importare modelli ONNX utilizzando queste interfacce:
- Nella console Google Cloud
- La
bq query
nello strumento a riga di comando bq - L'API BigQuery
Per saperne di più sull'importazione dei modelli ONNX in BigQuery,
inclusi i requisiti di formato e di archiviazione, vedi L'istruzione CREATE
MODEL
per l'importazione dei modelli ONNX.
Obiettivi
In questo tutorial, imparerai a:
- Crea e addestra modelli con scikit-learn.
- Converti i modelli in formato ONNX utilizzando sklearn-onnx.
- Importa i modelli ONNX in BigQuery ed effettua previsioni.
Addestra un modello di classificazione con scikit-learn
Creare e addestrare una pipeline scikit-learn sull'Iris set di dati:
import numpy
from sklearn.datasets import load_iris
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
data = load_iris()
X = data.data[:, :4]
y = data.target
ind = numpy.arange(X.shape[0])
numpy.random.shuffle(ind)
X = X[ind, :].copy()
y = y[ind].copy()
pipe = Pipeline([('scaler', StandardScaler()),
('clr', RandomForestClassifier())])
pipe.fit(X, y)
Converti il modello in formato ONNX e salva
Usa sklearn-onnx
per convertire la pipeline scikit-learn in un modello ONNX denominato pipeline_rf.onnx
:
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
# Disable zipmap as it is not supported in BigQuery ML.
options = {id(pipe): {'zipmap': False}}
# Define input features. scikit-learn does not store information about the
# training dataset. It is not always possible to retrieve the number of features
# or their types. That's why the function needs another argument called initial_types.
initial_types = [
('sepal_length', FloatTensorType([None, 1])),
('sepal_width', FloatTensorType([None, 1])),
('petal_length', FloatTensorType([None, 1])),
('petal_width', FloatTensorType([None, 1])),
]
# Convert the model.
model_onnx = convert_sklearn(
pipe, 'pipeline_rf', initial_types=initial_types, options=options
)
# And save.
with open('pipeline_rf.onnx', 'wb') as f:
f.write(model_onnx.SerializeToString())
Carica il modello ONNX in Cloud Storage
Crea un bucket Cloud Storage in cui archiviare il file del modello ONNX, quindi carica il file del modello ONNX salvato nel bucket Cloud Storage. Per ulteriori informazioni, vedi Caricare oggetti da un file system.
Importa il modello ONNX in BigQuery
Questo passaggio presuppone che tu abbia caricato il modello ONNX in Cloud Storage
di sincronizzare la directory di una VM
con un bucket. Un modello di esempio viene archiviato
gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx
.
Console
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, inserisci
CREATE MODEL
come la seguente.CREATE OR REPLACE MODEL `mydataset.mymodel` OPTIONS (MODEL_TYPE='ONNX', MODEL_PATH='gs://bucket/path/to/onnx_model/*')
Ad esempio:
CREATE OR REPLACE MODEL `example_dataset.imported_onnx_model` OPTIONS (MODEL_TYPE='ONNX', MODEL_PATH='gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx')
La query precedente importa il modello ONNX che si trova nella
gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx
come Modello BigQuery denominatoimported_onnx_model
.A questo punto, il nuovo modello dovrebbe apparire nel riquadro Risorse. Man mano che espandere ciascun set di dati in un progetto, i modelli sono elencati con le altre risorse BigQuery nei set di dati. I modelli sono indicato dall'icona del modello: .
Se selezioni il nuovo modello nel riquadro Risorse, vengono visualizzate le informazioni sul modello viene visualizzata sotto Editor di query.
bq
Per importare un modello ONNX da Cloud Storage, esegui un inserendo un comando simile al seguente:
bq query \
--use_legacy_sql=false \
"CREATE MODEL
`mydataset.mymodel`
OPTIONS
(MODEL_TYPE='ONNX',
MODEL_PATH='gs://bucket/path/to/onnx_model/*')"
Ad esempio:
bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
`example_dataset.imported_onnx_model`
OPTIONS
(MODEL_TYPE='ONNX',
MODEL_PATH='gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx')"
Una volta importato, il modello dovrebbe apparire nell'output di bq ls [dataset_name]
:
$ bq ls example_dataset
tableId Type Labels Time Partitioning
--------------------- ------- -------- -------------------
imported_onnx_model MODEL
API
Inserire un nuovo job e completa la jobs#configuration.query come nel seguente corpo della richiesta:
{
"query": "CREATE MODEL project_id:mydataset.mymodel OPTIONS(MODEL_TYPE='ONNX' MODEL_PATH='gs://bucket/path/to/onnx_model/*')"
}
DataFrame BigQuery
Prima di provare questo esempio, segui i DataFrame di BigQuery nella guida rapida di BigQuery utilizzando BigQuery DataFrames. Per ulteriori informazioni, consulta Documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Impostare l'autenticazione per un ambiente di sviluppo locale.
Importa il modello utilizzando l'oggetto ONNXModel
.
Effettuare previsioni con il modello ONNX importato
Console
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, inserisci una query utilizzando
ML.PREDICT
. come mostrato di seguito.SELECT * FROM ML.PREDICT(MODEL
example_dataset.imported_onnx_model
, ( SELECT * FROMbigquery-public-data.ml_datasets.iris
) )La query precedente utilizza il modello denominato
imported_onnx_model
nel set di datiexample_dataset
del progetto attuale per le previsioni dai dati di input nella tabella pubblicairis
del set di datiml_datasets
nel progettobigquery-public-data
. In questo caso, il modello ONNX prevede quattro input in virgola mobile:sepal_length
,sepal_width
,petal_length
,petal_width
che corrispondono ai valoriinitial_types
definiti in passaggio 2 , quindi la sottoquerySELECT
l'intera tabellabigquery-public-data
che contiene queste quattro colonne di input.Il modello restituisce le colonne
label
eprobabilities
, nonché la colonne della tabella di input.label
rappresenta l'etichetta della classe prevista.probabilities
è un array di probabilità che rappresentano le probabilità per ogni classe.
Il risultato della query è simile al seguente:
bq
Per eseguire previsioni in base ai dati di input nella tabella input_data
, inserisci un
come il seguente, utilizzando il modello ONNX importato my_model
:
bq query \
--use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT(
MODEL `my_project.my_dataset.my_model`,
(SELECT * FROM input_data))'
Ad esempio:
bq query \
--use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT(
MODEL `example_dataset.imported_onnx_model`,
(SELECT * FROM `bigquery-public-data.ml_datasets.iris`))'
API
Inserire un nuovo job e completa la jobs#configuration.query come nel seguente corpo della richiesta:
{
"query": "SELECT * FROM ML.PREDICT(MODEL `my_project.my_dataset.my_model`, (SELECT * FROM input_data))"
}
DataFrame BigQuery
Prima di provare questo esempio, segui i DataFrame di BigQuery nella guida rapida di BigQuery utilizzando BigQuery DataFrames. Per ulteriori informazioni, consulta Documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Impostare l'autenticazione per un ambiente di sviluppo locale.
Utilizza la funzione predict
per eseguire il modello remoto:
Il risultato è simile al seguente:
Passaggi successivi
- Per ulteriori informazioni sull'importazione dei modelli ONNX, consulta l'articolo L'istruzione
CREATE MODEL
per i modelli ONNX. - Per ulteriori informazioni sui tutorial e sui convertitori ONNX disponibili, consulta la sezione Conversione in formato ONNX.
- Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
- Per iniziare a utilizzare BigQuery ML, consulta Creare modelli di machine learning in BigQuery ML.
- Per ulteriori informazioni sull'utilizzo dei modelli, consulta queste risorse: